Загрязнение воздуха является критической глобальной проблемой здравоохранения, требующей инновационных решений для мониторинга. Традиционные методы, основанные на наземных станциях, являются дорогостоящими и географически ограниченными, что затрудняет полный охват. Недавние достижения в области технологий выявили потенциал использования визуальных данных с камер наблюдения в качестве экономически эффективной альтернативы для оценки качества воздуха.
Новое исследование, опубликованное в журнале Environmental Science and Ecotechnology, представляет собой инновационную гибридную модель глубокого обучения , которая значительно улучшает мониторинг качества наружного воздуха с помощью изображений с камер наблюдения. Этот подход улучшает оценки качества воздуха, включая концентрации PM 2,5 и PM 10 , а также индекс качества воздуха (AQI) независимо от времени суток.
Исследовательская группа объединила сверточные нейронные сети (CNN) с сетями долгосрочной краткосрочной памяти (LSTM), создав модель, которая разумно фиксирует как пространственные детали, присутствующие в отдельных изображениях, так и временную динамику в последовательности изображений. Этот инновационный подход особенно эффективен для решения давней проблемы точной оценки качества воздуха в ночное время, когда традиционные методы, основанные на изображениях, обычно не дают результатов из-за условий низкой освещенности.
Анализируя визуальные сигналы в кадрах наблюдения, такие как дымка и видимость, модель может эффективно прогнозировать концентрации твердых частиц (PM 2,5 и PM 10 ) и AQI как днем, так и ночью.
Доктор Сюэцзюнь Лю, ведущий исследователь и автор корреспондента, говорит: «Способность нашей модели точно оценивать качество воздуха по изображениям, независимо от дня и ночи, знаменует собой значительный шаг вперед в использовании технологий для мониторинга окружающей среды. Это открывает новые возможности для комплексного мониторинга окружающей среды. оценка качества воздуха в регионах, где отсутствует инфраструктура».
Это исследование означает существенный шаг вперед в мониторинге окружающей среды, демонстрируя потенциал значительного улучшения оценок качества воздуха. Это открывает двери для более динамичных и экономически эффективных решений по мониторингу, которые могут значительно улучшить наше понимание и управление загрязнением воздуха в глобальном масштабе.
